کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4948552 1439617 2016 22 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Dimensionality reduction of data sequences for human activity recognition
ترجمه فارسی عنوان
کاهش ابعاد توالی داده ها برای شناسایی فعالیت های انسانی
کلمات کلیدی
کاهش ابعاد، حرکت انسانی، تشخیص ژست،
ترجمه چکیده
اگر چه تشخیص فعالیت فعلی انسان می تواند میزان دقت بالا را به دست آورد، توالی داده ها با ابعاد بزرگ برای تصمیم گیری قابل اعتماد برای تشخیص کل فعالیت مورد نیاز است. روشهای سنتی اندازه گیری از هندسه محلی اطلاعات طبقه بندی استفاده نمی کنند. در این مقاله، چارچوب شبکه الاستیک چند منظوره که کد هندسی محلی را برای یافتن یک سیستم هماهنگی برای نمایش داده ها ارائه می دهد معرفی می کنیم. روش معرفی شده کارآمد است، زیرا معیارهای به حداقل رساندن خطای طبقه بندی برای ارتباط مستقیم خطای طبقه بندی با زیر فضای انتخاب شده استفاده می شود. در بخش آزمایشی، مجموعه ای از داده ها برای شناسایی فعالیت های انسانی از حسگرهای پوشیدنی، جسم و محیط محاسبه شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
کاهش ابعاد توالی داده ها برای شناسایی فعالیت های انسانی
چکیده انگلیسی
Although current human activity recognition can achieve high accuracy rates, data sequences with high-dimensionality are required for a reliable decision to recognize the entire activity. Traditional dimensionality reduction methods do not exploit the local geometry of classification information. In this paper, we introduce the framework of manifold elastic net that encodes the local geometry to find an aligned coordinate system for data representation. The introduced method is efficient because classification error minimization criterion is utilized to directly link the classification error with the selected subspace. In the experimental section, a dataset on human activity recognition is studied from wearable, object, and ambient sensors.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 210, 19 October 2016, Pages 294-302
نویسندگان
, , , , , ,